Содержание к диссертации
Введение
ГЛАВА 1. Анализ управления безопасностью людей в местах их массового пребывания 10
1.1 Места массового пребывания людей и их безопасность 10
1.2 Анализ систем поддержки управления безопасности на основе идентификации по изображению 14
1.3 Функционирование систем идентификации по изображению 17
1.3.1 Алгоритмы распознавания лиц 26
1.3.2 Алгоритмы определения соответствия заданному образу 40
1.3.3 Алгоритмы обнаружения пожара 45
1.3.4 Алгоритмы отслеживания траектории движения
1.4 Моделирование нарушителя в системе безопасности 49
1.5 Вывод по первой главе 53
ГЛАВА 2. Разработка модели информационно-аналитической поддержки управления безопасностью 55
2.1 Модель управления безопасностью 55
2.2 Влияние объема данных на систему поддержки управления 57
2.3 Влияние сети видеоконтроля на систему поддержки управления 67
2.4 Методы кластерного анализа в системе поддержки управления 77
2.5 Управление мероприятиями мониторинга и противодействия дестабилизациям 83
2.6 Вывод по второй главе 92
ГЛАВА 3. Разработка алгоритма и системы информационно аналитической поддержки управления безопасностью 95
3.1 Структурная схема 95
3.2 Структура и организация хранилища системы поддержки управления 102
3.3 Двухуровневый гибридный алгоритм распознавания лиц в системе
поддержки управления 112
3.4 Подход к поиску в хранилище системы поддержки управления 115
3.5 Алгоритмы решения задач управления безопасностью 116
3.6 Алгоритм управления действиями службы безопасности 123
3.7 Вывод по третьей главе 128
ГЛАВА 4. Реализация системы информационно аналитической поддержки 131
4.1 Экспериментальная проверка системы информационно-аналитической поддержки управления безопасностью 131
4.2 Управление персоналом с учетом индивидуальных особенностей 139
4.3 Экономический эффект 142
4.4 Вывод по четвертой главе 149
Заключение 150
Список сокращений 153
Литература
- Функционирование систем идентификации по изображению
- Управление мероприятиями мониторинга и противодействия дестабилизациям
- Алгоритмы решения задач управления безопасностью
- Управление персоналом с учетом индивидуальных особенностей
Введение к работе
Актуальность темы исследования. Неотъемлемой составляющей национальной безопасности является общественная безопасность, которая во многом определяет как внутреннюю социально-экономическую стабильность страны, так и престиж государства на международной арене. Одним из критериев оценки общественной безопасности является уровень защищенности людей в местах массового пребывания от внутренних угроз, а также последствий стихийных бедствий и техногенных катастроф.
Неуклонно увеличивается количество мероприятий с массовым пребыванием российских и иностранных граждан. Особого внимания по обеспечению безопасности требуют спортивные и культурные мероприятия международного уровня. Кроме того, в Российской Федерации активно растет количество мест массового пребывания людей. Ежегодно возводится свыше 13 тыс. объектов общественного назначения. Однако, в то же время, количество зарегистрированных преступлений по ряду показателей в 2016 г. по сравнению с 2012 г. увеличилось более чем в 3 раза, при этом, согласно отчетам ФГБУ ВНИИПО МЧС России и Института экономики и мира, экономический ущерб от одного пожара на объектах общественного назначения в среднем составляет 620 тыс. руб., а от одного деструктивного события, которое сопровождается взрывом – свыше 237 млн. руб.
Следовательно, с одной стороны, в России активно развивается социально-культурная сфера, с другой – несмотря на активное развитие систем безопасности, нельзя говорить о достаточной защищенности людей в местах их массового пребывания. Более того, современный мир столкнулся с террористическими угрозами нового типа, для реализации которых используются устройства техногенного характера.
В результате анализа определено, что повышение уровня защищенности людей возможно путем информационно-аналитической поддержки организации мероприятий по противодействию деструктивным воздействиям за счет прогнозирования вариантов развития во времени и пространстве мест массового пребывания людей. В ходе дальнейшего анализа выявлено, что для поддержки органа управления целесообразно использование методов и подходов на основе информационных технологий идентификации нарушителей и событий деструктивного характера по изображению. Однако существующие решения обладают существенными ограничениями в данной области.
Таким образом, актуальность исследования обусловлена имеющимся противоречием между потребностью в совершенствовании управления
безопасностью в местах массового пребывания людей и сложившимся
состоянием научно-обоснованных представлений, не обеспечивающих на
практике достаточную защищенность населения. Данное противоречие
обуславливает необходимость формирования модели и разработки системы и
алгоритма информационно-аналитической поддержки управления
безопасностью с учетом особенностей современных мест массового пребывания людей.
Степень разработанности темы исследования. Решением задач управления безопасностью занималось значительное количество ученых. Существенных результатов в данной области достигли Топольский Н.Г., Брушлинский Н.Н., Новиков ДА., Пранов Б.М., Таранцев А.А., Минаев В.А., Тропченко А.Ю., Членов А.Н., Cho Н., Moon S., Jain L., Jung В., Pan J., Roberts R. и ряд других ученых. Вместе с тем, управление безопасностью людей в местах массового пребывания имеет ряд особенностей, требующих дополнительного исследования, заключающихся в возможности повышения эффективности управления сотрудниками службы безопасности на основе прогнозирования поведения потенциальных нарушителей.
Научная гипотеза предполагает возможность повышения защищенности людей в местах массового пребывания за счет моделирования управления безопасностью и разработки алгоритма и системы информационно-аналитической поддержки управления.
Объект исследования - безопасность в местах массового пребывания людей.
Предмет исследования - информационно-аналитическая поддержка управления безопасностью в местах массового пребывания людей.
Цель исследования - формирование модели и разработка алгоритма информационно-аналитической поддержки для совершенствования управления безопасностью в местах массового пребывания людей.
Границы исследования. В диссертационной работе исследуются особенности управления безопасностью в оборудованных информационной системой идентификации по изображению местах массового пребывания людей при несанкционированном проникновении нарушителей.
Достижение поставленной цели требует решения следующих научных задач:
- анализ особенностей управления безопасностью в местах массового пребывания людей;
формирование модели и разработка алгоритма поддержки управления безопасностью в местах массового пребывания людей, учитывающих особенности реагирования сотрудников, поведения нарушителей и функционирования информационной системы идентификации по изображению;
разработка системы информационно-аналитической поддержки управления безопасностью людей в местах массового пребывания на основе идентификации по изображению, реализующей положения сформированной модели и предложенного алгоритма;
оценка эффекта от внедрения системы информационно-аналитической поддержки управления безопасностью людей в местах массового пребывания на основе идентификации по изображению, а также разработка рекомендации по определению степени пригодности персонала к ее эксплуатации с учетом индивидуальных особенностей.
На защиту выносятся:
-
Модель поддержки управления безопасностью в местах массового пребывания людей, включающая, в качестве элементов, модель оценки вероятности обнаружения нарушителей, модель прогнозирования их вариантов распределения, модель координации сотрудников службы безопасности, а также модель регистрации информации и модель обработки данных в системе информационно-аналитической поддержки управления.
-
Алгоритм поддержки управления безопасностью в оборудованных информационной системой идентификации по изображению местах массового пребывания людей в условиях деструктивных воздействий.
-
Структурная схема и алгоритм функционирования системы информационно-аналитической поддержки управления безопасностью в местах массового пребывания людей на основе идентификации по изображению.
Научная новизна:
-
Сформированная модель поддержки управления позволяет в комплексе и автономно анализировать влияние параметров пассивных и активных компонент системы безопасности на защищенность людей в местах массового пребывания.
-
Особенностью разработанного алгоритма поддержки управления безопасностью является возможность рационализации использования ресурсов и совершенствования организации мероприятий по противодействию деструктивным воздействиям на основе прогнозирования вариантов развития во времени и пространстве мест массового пребывания людей.
З. В предложенной структурной схеме и разработанном алгоритме функционирования системы информационно-аналитической поддержки управления безопасностью успешно используются впервые полученные временные оценки обработки и регистрации данных с учетом объема хранимой информации и нагрузки сети видеоконтроля, что позволяет повысить оперативность и результативность управления службой безопасности в условиях деструктивных воздействий.
Теоретическая значимость. Сформированная модель и разработанный алгоритм информационно-аналитической поддержки развивают теоретико-методологическую базу принятия решений при управлении безопасностью в местах массового пребывания людей.
Практическая значимость определяется способностью разработанной системы информационно-аналитической поддержки повысить эффективность управления сотрудниками службы безопасности на основе прогнозирования поведения потенциальных нарушителей в местах массового пребывания людей.
Методы исследования. Исследование базируется на методах системного анализа, теории управления, математической статистики, теории графов, теории распознавания образов, теории вероятностей и кластерного анализа.
Достоверность полученных результатов обеспечивается использованием методов исследования, соответствующих задачам, корректным применением апробированного математического аппарата, что подтверждается согласованностью полученных результатов с аналогичными работами и апробацией материалов диссертации:
при организации охраны общественного порядка и управлении противодействием общественно-опасным преступным проявлениям в Олимпийском комплексе «Лужники»;
в ООО «ИнТех» при разработке информационно-аналитических систем поддержки управления безопасностью людей в местах массового пребывания;
в учебном процессе Академии Государственной противопожарной службы МЧС России при подготовке бакалавров, специалистов и магистров,
а также наличием свидетельства о государственной регистрации программы для ЭВМ №2016663708 от 14.12.2016.
Апробация работы. Основные результаты исследований докладывались и обсуждались на следующих конференциях: Международной научно-технической конференции «Системы безопасности» (г. Москва, Академия ГПС МЧС России, 2013 г., 2015 г.), Всероссийской научно-практической конференции с международным участием «Проблемы обеспечения
безопасности при ликвидации последствий чрезвычайных ситуаций» (г. Воронеж, Воронежский институт ГПС МЧС России, 2015 г.), Международной научно-практической конференции молодых ученых и специалистов «Проблемы техносферной безопасности» (г. Москва, Академия ГПС МЧС России, 2016 – 2017 гг.).
Публикации. Основные научные результаты отражены в 12 публикациях, в том числе 5 работ изданы в журналах, включенных в перечень ВАК России, из них 9 статей опубликованы в единоличном авторстве.
Личный вклад автора. В опубликованных работах автором изложены результаты, связанные с разработкой модели, алгоритма и системы информационно-аналитической поддержки управления безопасностью людей в местах массового пребывания, теоретическими обобщениями и прикладными расчетами.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, перечня сокращений, списка литературы из 137 наименований и 4 приложений. Исследование изложено на 182 страницах, в том числе 168 страниц основного текста, включая 42 рисунка и 23 таблицы.
Функционирование систем идентификации по изображению
На основе анализа алгоритмов работы этих систем автор [97] делает выводы относительно алгоритма их работы. Для того чтобы увидеть отклонения от такого типового алгоритма, рассмотрим алгоритм работы системы распознавания лиц. Он «в любом биометрическом движке выполняется в несколько этапов: обнаружение лица, оценка качества, построение шаблона, сопоставление и принятие решения» [97]. Алгоритм приведн на рисунке 1.3. Про систему FaceIt было сказано выше, а про Каскад-Поток [97] будет сказано несколько слов далее.
На этапе 1 для качественного съма информации должны работать организационные меры (например, пропуск людей через пропускной пункт, где они будут задерживаться на небольшое время) и интеллектуальные камеры. Это само по себе накладывает определнный отпечаток на комплексные ИАС, так как значительно увеличивает их стоимость и повышает процент неавтоматического участия людей в процессе. При этом стоимость самой системы не включает в себя стоимости организационных мероприятий и стоимости участия в них дополнительных человеческих ресурсов. Стоимость применения интеллектуальных камер в общей стоимости ИАС также в расчт не принимается. Предполагается, однако, что данный инструмент снятия информации будет подобно компьютеру выполнять программы для производства метаданных, содержащих сведения о найденных лицах. Каким образом при этом будет организован канал передачи данных на сервер, и как будет осуществляться анализ видео в камерах, автор статьи не говорит. Но очевидно, что камера в этом случае представляет собой вычислительное устройство, не только снимающее информацию и передающее на сервер, но и обрабатывающее видеопоток до его фактической передачи. Клиентское программное обеспечение (ПО) в этом случае выполняется на камере. Этап 2 очевидно должен выполняться на сервере. Здесь ПО на сервере осуществляет выбор из всего массива детектированных лиц только тех изображений, которые удовлетворяют заданным критериям качества. Критерии качества отбора задаются системе при настройке. Обычно это следующие показатели: ракурс лица (поворот относительно положения «фас» или «профиль», которые есть в БД), размер лица в пикселях (обычно расстояние между зрачками), процент частичного закрытия лица. Но могут задаваться и другие показатели качества отбора.
На этапе 3 строится математический шаблон лица (биометрический шаблон). Под ним понимается некоторый набор признаков согласно заложенной в систему математической модели. В зависимости от применяемой системы в нм используются разные признаки (текстурные свойства лица или его геометрические особенности). Ниже будет приведены некоторые из применяемых методов для анализа их эффективности в решении поставленных в исследовании задач.
Этап 4 системы распознавания необходим для произведения сравнения построенного по считанному из видеопотока лицу биометрического шаблона с массивом тех шаблонов, которые есть в БД сервера. Этот процесс не может, в принципе, из-за своих требований к вычислительным ресурсам быть реализован на клиенте. Поэтому видимо построение ПО клиента и процесс передачи данных серверу в процессе работы ИАС необходимо внимательно проработать, для того чтобы избежать е перегрузки в процессе эксплуатации.
Пятый этап в работе такой системы связан непосредственно с человеком. Как и в случае с FaceIt, упомянутым выше и описанным в [78], данный этап сопряжн с визуальной оценкой оператором результата работы системы. И здесь можно говорить о том, что без человеческого вмешательства данная система не работает.
Ну и наконец, рассмотрим структуру подсистемы распознавания лиц в ИАС на примере автоматизированной информационно-поисковой системы «Каскад-поток», позволяющей выполнять идентификацию личности по изображению лица, полученного из видеопотока, и поиск человека по БД [49].
Архитектура системы представлена на рисунке 1.4. Система «Каскад-Поток» построена на полностью распределенной сетевой архитектуре, включающей сервер распознавания, блок видеообработки и автоматизированные рабочие места (АРМ) операторов. В состав компонентов системы входят следующие составляющие: модуль детектирования лиц, ядро идентификации, сервер распознавания, АРМ пользователей. Модуль детектирования лиц обеспечивает автоматическое обнаружение изображений лиц в видеопотоке от источника видеосигнала. Ядро идентификации обеспечивает сравнение изображений лиц, полученных в результате детектирования и размещенных в БД. В результате работы ЯИ формируется рекомендательный список, на основе которого система принимает решение о личности человека на анализируемом изображении. АРМ системы «Каскад-поток» обеспечивают доступ к функциям системы по мониторингу событий, настройке параметров системы и вводу информации в БД.
Как видно из приводимого близко к тексту [49] описания архитектуры данной системы, в нм не указано при помощи каких биометрических характеристик и с помощью каких алгоритмов «Каскад-поток» осуществляет детектирование. Можно сделать предположение только о том, что в клиенте (модуле детектирования лиц) выполняется преобразование биометрических характеристик лица к виду, удобному для работы ядра идентификации.
Если вернуться к началу описания и вспомнить о физиологических особенностях человека, которые может фиксировать камера (геометрия головы и лица, температурный портрет кожи тела и лица, модель радужной оболочки глаза, форма уха), то можно сделать такой вывод. Большинство используемых в этом направлении в настоящее время систем, упоминаемых в технической литературе, для идентификации одновременно использует для своей работы только шестую часть возможных биологических идентификаторов человека. О применении в комплексных ИАС поиска ПОЛ с помощью анализа поведения, распознавания эмоций, температурный портрет кожи тела и лица пока речь не ведтся. Системы, в которых возможно использование данных признаков, работают отдельно от систем распознавания лиц, а поиск по БД документов возможен только при вводе вручную соответствующего запроса оператором.
Таким образом, применяемые в ИАС подсистемы технического или компьютерного зрения обладают рядом сходных функций, которые можно, обобщив, объединить в единый алгоритм их работы. Однако, в большинстве случаев результатом их работы становится только подготовка данных для принятия решения оператором. Кроме того, они не рассчитаны на работу с большим количеством заданий на распознавание, не обеспечивают распознавание по поведению и не автоматизируют работу остальных подсистем ИАС. В частности в системе «Каскад-поток» данные о лицах вводятся не в процессе обучения системы, а вручную со специального АРМ. Взаимодействие с другими поисковыми системами, содержащими важные с точки зрения поиска ПОЛ рассмотренные системы также не осуществляют.
Детали работы таких систем определяются вычислительными алгоритмами. Качество данных алгоритмов непрерывно улучшается. Но практика их использования показывает, что есть ряд особенностей их работы, которые пока не позволяют добиваться снижения показателя ошибок первого и второго рода. Поэтому для обеспечения требований реальной жизни в ходе обеспечения массовых мероприятий нужны такие ИАС, которые будут лишены указанных недостатков.
Управление мероприятиями мониторинга и противодействия дестабилизациям
Для моделирования системы безопасности введем определения составляющих. Объект управления - это система безопасности места массового скопления людей, оборудованного комплексом технических средств идентификации по изображению. Субъект управления - это управляющая система (орган управления). Далее выстроим модель с учетом подходов [41], [8], [46], [88], [1]. Будем считать, что состояние объекта управления (данной системы безопасности) описывается вектором у є Y и Y - множество возможных состояний объекта. Значение у зависит от управляющих воздействий на объект и є U и дестабилизирующих факторов внешней среды х є X. При этом множество состояний (Г) включает активную (Т1) и пассивную (Г2) составляющие системы безопасности: Y = Y1 Y2.
Под активной составляющей объекта управления (F1) подразумеваются сотрудники службы безопасности, которые обладают свободой выбора своего состояния, собственными целями и интересами. Таким образом при выборе управляющего воздействия на активную составляющую необходимо учитывать состояние сотрудников, возможность самостоятельного выбора состояния и их индивидуальные особенности.
Пассивная составляющая объекта управления (72) представляет собой комплекс технических средств безопасности. В данной работе рассматривается только комплекс технических средств идентификации по изображению. Особенностью данной составляющей является детерминированность, отсутствие свободы выбора своего состояния.
Будем считать, что состояние пассивной составляющей в основном определяется следующими параметрами: - точностью идентификации по изображению; - скоростью; - количеством анализируемых интересантов; - нагрузкой сети видеоконтроля; - объем хранимой информации в базе данных и т.д. Примерами дестабилизирующих факторов внешней среды являются: - криминальные явления - воздействия нарушителя на функционирование места массового пребывания людей; - природные явления - ураганы, аномальные температуры, землетрясения и т.д.; - техногенные явления - аварии, катастрофы и т.д.; - социально-политические явления - социальные волнения, военные действия и т.д. Таким образом [5], объект управления можно описать уравнением вида (t) = Ф[Y(t), U(t), X(t), t]. В результате Уі + 2 управленческих воздействийU(t), внешних факторов Х(t) при начальном условии Y(t0) в фазовом пространстве управления У І Рисунок 2.1. Фазовое пространство управления для трех переменных состояний состояние объекта меняется, и решение уравнения имеет вид Y (t, U(t), X(t), y(t0)). Каждому состоянию объекта (решению уравнения) соответствует определенная точка. Соединяющую эти точки кривую называют траекторией движения объекта. Предположим, что в области можно выделить некоторую подобласть состояний с, которая является желательной. Тогда цель управления заключается в том, чтобы перевести объект из начального состояния Y(t0) в конечное состояние Y(tk), принадлежащее с. Задача управления заключается в том, чтобы в области допустимых управлений подобрать такое управляющие воздействие, при котором достигнута цель. То есть требуется отыскать такое допустимое управление U(t), определенное на временном отрезке [t0, tk], при котором уравнение объекта при заданном начальном состоянии и известном векторе X(t) имеет решение Y(t), удовлетворяющее ограничению Y(t) (Y) при всех t [t0, tk] и конечному условию Y(tнв) c. Далее рассмотрим модели функционирования ИАС.
При рассмотрении ИАС далее по тексту будем рассматривать только те из них, которые модули видеодетектирования которых основаны на анализе лиц. Данный метод идентификации ближе всего к теме исследования. Все ИАС, содержащие подобный модуль видеодетектирования, работают на основе распознавания образов. В их состав помимо указанного модуля включают обычно программные средства, называемые «ядром идентификации» (ЯИ) и хранилище, содержащие ЛБШ или иные шаблоны, данные из которых использует ЯИ.
Модуль детектирования лиц обеспечивает автоматическое обнаружение изображений лиц в видеопотоке от источника видеосигнала. В ядре идентификации осуществляется сравнение изображений лиц, полученных в результате детектирования и размещенных в хранилище. В рамках работы в качестве хранилища рассматривается как база данных, реализуемая на основе одного из существующих решений в области систем управления базами данных, так и оперативная память сервера. В результате работы ЯИ формируется рекомендательный список, на основе которого оператор ИАС принимает решение о личности на анализируемом изображении.
Существует несколько типов ИАС, классифицируемых по типу хране-ния данных о распознаваемых людях. Первый тип связан с наличием у ИАС специального хранилища, содержащего информацию о шаблонах лиц, например в виде локальных бинарных шаблонов (ЛБШ) ([99]). Для идентификации человека необходимо произвести сравнение шаблона лица распознаваемого человека с шаблонами в хранилище.
В другом типе ИАС, предполагается, что биометрическая информация и ее «шаблон хранятся на карте, которая всегда под контролем владельца» [51]. Соответственно, при идентификации человека необходимо осуществить проверку наличия заданной информации в хранилище ИАС по адресу, указанному в предъявляемой карте.
Алгоритмы решения задач управления безопасностью
Описанная выше выкладка позволяет произвести распознавание интересанта следующим образом: при распознавании интересанта в узле сети видеоконтроля необходимо сравнивать лицо с уже идентифицированными лицами в смежных вершинах в порядке уменьшения значения метки ребра (например, при идентификации в узле v6 необходимо сравнивать сначала изображения, зафиксированные в узле v4, далее если соответствие не установлено, то и в v3 и v2). Далее из свойств КОМЦ следует [28], что фазовое пространство Е = {1…т} разбивается в объединение не пересекающихся классов взаимно сообщающихся состояний: {/i {jn\ (2.60) где: - не пересекающиеся классы взаимно сообщающихся существенных не поглощающих состояний; Oi \jn } – существенные поглощающие состояния. Таким образом, множество идентификаторов камер распадается на не пересекающиеся классы. При распознавании интересантов в разных группах осуществляется обращение к разным исходным данным. В результате применения параллельной обработки данных между группами будет увеличено быстродействие ИАС в целом.
Далее остановимся на оценке точности и вычислительной сложности распознавания интересанта при использовании вероятностного графа маршрута.
Например, если принять, что вероятность ошибки распознавания при сравнении изображения с хранилищем, содержащим информацию об т интересантах, выражается следующим образом: q1 = P(m), (2.61) а вероятность ошибки распознавания при сравнении изображения с кадрами из предыдущего узла: q2 = Р(т0), (2.62) где т0 - число изображений в предыдущем узле, тогда, если т0 т, (2.63) и в предыдущем узле распознавание произошло правильно, можно показать Ч2 41. (2.64) А также вычислительная сложность распознавания ИАС тоже уменьшится и составит: f(k,m) = 0(г (—)), (2.65) где l m и r k. Следовательно, с применением вероятностного графа маршрутов точность и время распознавания улучшились.
Таким образом, анализ ИАС показал возможность создания модели работы алгоритмов ИАС при распознавании лиц с нагрузкой от сети видеоконтроля. Анализ условий возможного применения модели показал наличие ряда характеристик, фиксируемых и определяемых совместно с распознаванием, которые позволяют существенно уменьшить суммарное время обработки данных и улучшить точность распознавания. Это возможно обеспечить за счет привязки к номеру камеры данных о местах и частотах пребывания интересантов в определенных местах в определенный период. Кроме того, применение конечных однородных Марковских цепей к сети видеоконтроля позволило разбить множество камер в объединение не пересекающихся групп, внутри которых ИАС может обрабатывать информацию об интересантах последовательно, а вне групп – параллельно.
При распознавании лиц в ИАС существуют проблемы, связанные со старением информации. Так, например, в [23] приводятся данные анализа различных алгоритмов, который проводился в рамках американской программы FERET. В тестах этой программы несколько лет подряд проверялись алгоритмы гибкого сравнения на графах и модификации метода главных компонент. «Эффективность всех алгоритмов была примерно одинаковой. В этой связи трудно или даже невозможно провести четкие различия между ними (особенно если согласовать даты тестирования). Для фронтальных изображений, сделанных в один и тот же день, приемлемая точность распознавания, как правило, составляет 95%. Для изображений, сделанных разными аппаратами и при разном освещении, точность, как правило, падает до 80%. Для изображений, сделанных с разницей в год, точность распознавания составило примерно 50%». Для функционирования ИАС в режиме реального времени зачастую такие результаты могут быть недостаточными. Поэтому необходимо иметь предложения по повышению эффективности распознавания и уменьшению времени на распознавания. Не секрет, что фронтальное изображение имеет наилучшие характеристики в распознавании. И фотографии, используемые в ИАС в качестве шаблонов лиц интересантов, обычно имеют этот же ракурс. Тем не менее, реальных условиях лица обычно поврнуты относительно этого положения. Поэтому лица принято объединять в кластеры. Один из примеров из [23] изображн на рисунке 2.5.
Пример кластера лица человека Для работы с такими наборами информации принято использовать кластерный анализ. В [10] эта предметная область определена так: «кластерный анализ (самообучение, обучение без учителя, таксономия) применяется при автоматическом формировании перечня образов по обучающей выборке. Все объекты этой выборки предъявляются системе без указания, какому образу они принадлежат… Предполагается, что обучающая выборка в признаковом пространстве состоит из набора сгустков (подобно галактикам во Вселенной). Задача системы - выявить и формализовано описать эти сгустки» (с.23). Такая точная цитата как раз соответствует набору изображений на рисунке 2.5. Эти «сгустки» принято также называть таксонами. Но в технической литературе, относящейся не к математическим построениям, а к распознаванию видео, обычно используется термин кластер.
Однако, как в кластерном анализе, так и в распознавании видео главный вопрос заключается в том, как отнести входной объект к нужному таксону (кластеру). Для этого используют понятие «близости» или расстояния. Но так как в многомерном объекте характеристик достаточно много, то и математических понятий для него тоже много. Для разных задач кластерного анализа в технической литературе предложен ряд методов классификации.
Задача такого анализа строится на определении некоторой метрики или функции, позволяющей соотнести новый объект с уже имеющимися. Для этого каждый из содержащихся в множестве объектов имеет сво значение данной метрики. А правила классификации позволяют соотнести это значение с тем или иным классом (кластером, таксоном).
Управление персоналом с учетом индивидуальных особенностей
Рассмотрим схему модели управления безопасностью, отличающейся использованием предлагаемой ИАС (рисунок 3.1). Архитектура ИАС построена на основании математических моделей представленных во второй главе. Кроме того предложенная архитектура ИАС не ограничивается функционалом способным осуществлять распознавание лиц. Архитектура ИАС расширена на функционал, обеспечивающий определение эмоционального состояния, степени опасности поведения, уровня психологической напряженности и других психофизиологических показателях интересанта. Реализация этого дополнительного функционала представляется возможным в рамках дальнейших научно-исследовательских работ.
ИАС построена на распределенной сетевой архитектуре, состоящий из центральных и локальных систем.
Локальная система включает: видеокамеры; модуль детектирования, который обеспечивает автоматическое обнаружение изображений лиц в видеопотоке от источника видеосигнала; ядро идентификации, которое применяется для сравнения изображение лица интересанта с хранимой информацией о личностях; блок кластеризации, который используется для кластеризации хранимой информации и определения центров кластеров; локальный сервер с оперативной памятью (далее - ЛОП), который используется для хранения центров кластеров; локальную базу данных, которая применяется для долговременного хранения информации об интересантах; сенсоры, которые регистрируют психофизиологические показатели; аналитический модуль, который используется для отслеживания траектории передвижения, выявления аномального поведения, определения эмоционального состояния и уровня психологической напряжнности; сервер запросов, который служит для централизованной обработки аналитических запросов оператора; автоматизированные рабочие места операторов, которые обеспечивают доступ к функциям системы по мониторингу событий, настройке параметров локальной системы и вводу информации в БД.
Центральная система включает: ядро идентификации, которое применяется для сравнения изображение лиц интересанта, поступающих из локальных систем, с хранимой информацией о личностях; блок кластеризации, который используется для кластеризации хранимой информации и определения центров кластеров; центральный сервер с оперативной памятью (далее - ЦОП), который используется для хранения центров кластеров; центральная база данных, которая применяется для долговременного хранения информации об интересантах; сервер запросов, который служит для централизованной обработки аналитических запросов оператора; автоматизированные рабочие места операторов, которые обеспечивают доступ к функциям системы по мониторингу событий, настройке параметров центральной системы и вводу информации в БД.
Далее опишем принцип функционирования ИАС: при обнаружении интересанта в режиме «реального времени» осуществляется распознание на основе уникальности биометрии лица, отслеживается и анализируется траектория его перемещения, определяется эмоциональное состояние и уровень психологической напряжнности.
Остановимся более подробно на распознавании интересанта. После обнаружения изображения лица в видеопотоке от источника видеосигнала, оно соотносится с изображениями лиц в хранилище. В результате в БД формируются кластеры, в которых содержатся только похожие изображения. В идеале для скоростного распознавания необходимо, чтобы один кластер соответствовал одному человеку. При этом в каждом кластере необходимо вычислить набор наиболее типичных и качественных изображений лиц (средние значения на кластер).
Таким образом, для поиска интересанта по фотографии с использованием ИАС (или е составной части) достаточно изображение лица сравнить с ограниченным набором изображений (наиболее точно представляющим личность в данном кластере), а не со всеми изображениями в БД.
Для хранения данных в такой системе необходимо использовать новый принцип хранения и обработки. Рассмотрим контролируемый объект, например, аэропорт. С модулей детектирования поступает поток видеоданных, который обрабатывается локальным сервером идентификации, по следующему новому алгоритму хранения и распознавания, который схематично представлен на рисунке 3.2:
Пусть п - номер изображения с лицом 1) (n = 1). На вход ядру идентификации подается первое изображение. Для изображения строится математический шаблон лица. Информация сохраняется в локальном сервере с оперативной памятью (ЛОП). Таким образом, в ЛОП содержится один кластер с центром в единственном изображении лица; 2) (n = 2). На вход ядру идентификации подается второе изображение. Для изображения вычисляются математический шаблон. Шаблон сравниваются с центром единственного кластера: a. если изображения достаточно похожи, то есть проверяются, соответствуют ли они одной личности, то кластер расширяется полученным изображением. Выбирается центр кластера, который сохраняется в ЛОП, другой представитель кластера сохраняется в ЛБД; b. если изображения различаются (уровень доверия ниже заданного порога), то есть изображения соответствуют разным личностям, то образуется новый кластер с центром в новом изображении. 3) (n = m). Пусть уже есть k кластеров. На вход ядру идентификации подается m-тое изображение. Оно проверяется на схожесть с центрами k кластеров идентифицированных лиц. Причем сравнение осуществляется с уже идентифицированными лицами в смежных вершинах в порядке уменьшения значения метки ребра вероятностного графа маршрутов. Построение вероятностного графа маршрутов описано ранее в параграфе 2.2. В результате: a. если изображения лица относится к какому-то кластеру, то оно расширяет данный кластер. В кластере выбирается новый центр, т.е. изображение лица, наиболее точно представляющее личность, и оно сохраняется в ЛОП, другие изображения сохраняются в ЛБД; b. если уровень доверия с каждым из k центров кластеров ниже заданного порога, то считается, что изображение лица соответствует личности, которой нет в ЛБД. Данное изображение образует новый кластер